当机器学习遇见频谱共享安全：方法论与挑战
密码学与安全
2022-01-14 v1 机器学习
系统与控制
系统与控制
摘要
互联网连接系统的指数级增长带来了诸多挑战，例如频谱短缺问题，这需要高效的频谱共享 (SS) 解决方案。复杂且动态的 SS 系统可能暴露于不同的潜在安全与隐私问题之下，要求保护机制具备自适应、可靠与可扩展的特性。基于机器学习 (ML) 的方法常被提出以应对那些问题。在本文中，我们全面综述了近期基于 ML 的 SS 方法的发展、最关键的安全问题及相应的防御机制。特别地，我们详述了从多个重要方面提升 SS 通信系统性能的最先进方法论，包括基于 ML 的认知无线电网络 (CRNs)、基于 ML 的数据库辅助 SS 网络、基于 ML 的 LTE-U 网络、基于 ML 的环境反向散射网络，以及其他基于 ML 的 SS 解决方案。我们还从物理层呈现了安全问题及基于 ML 算法的相应防御策略，包括主用户模拟 (PUE) 攻击、频谱感知数据篡改 (SSDF) 攻击、干扰攻击、窃听攻击与隐私问题。最后，给出了关于基于 ML 的 SS 的开放性挑战的广泛讨论。本综合综述旨在为探索新兴 ML 应对日益复杂的 SS 及其安全问题的潜力提供基础，并促进未来研究。
引用
@article{arxiv.2201.04677,
title = {When Machine Learning Meets Spectrum Sharing Security: Methodologies and Challenges},
author = {Qun Wang and Haijian Sun and Rose Qingyang Hu and Arupjyoti Bhuyan},
journal= {arXiv preprint arXiv:2201.04677},
year = {2022}
}